自适应结构方向复扩散压制沙漠地震随机噪声

非线性复扩散( NCD: Nonlinear Complex Diffusion) 能针对不同结构特征调节扩散强度,有效压制地震勘探随机噪声。但沙漠地震勘探数据结构复杂,NCD 方法不能有效估计出同相轴方向,会导致同相轴衰减。为此,基于同相轴结构特征提出自适应结构方向复扩散( ASOCD: Adaptive Structure-Oriented Complex Diffusion)滤波算法,该算法沿同相轴方向定向复扩散,在压制随机噪声同时增强有效信号。此外,该算法利用地震勘探数据的区域特性自适应调节扩散阈值,在信号区域减小扩散阈值以更好地恢复地震勘探信号。合成和实际沙漠地震数据结果验证了所提方法的有效性,与NCD 方法相比,滤波后信噪比提高了6 dB 左右。     

基于C-WNNM的地震随机噪声压制方法

针对低信噪比情况下地震信号同相轴不易识别的问题,提出用C-WNNM方法来压制地震勘探资料中的随机噪声.给出了基于WNNM的低秩逼近理论,利用地震信号在时间和空间上具有一定的相似性这一特点来构建近似低秩矩阵,并且由CEEMD分解得到的IMF1分量来近似估计局部噪声方差,从而获得更加精确的权值.经过迭代逼近得到最终去噪后的信号.对由雷克子波生成的模拟地震勘探资料进行C-WNNM滤波处理.结果表明,在地震数据存在强噪声的情况下,该方法能够有效压制随机噪声并且能够更好地保留有效信号,信噪比相比于原始WNNM算法提高了3 d B左右.     

论地震勘探噪声压制方法的研究与应用

在目前地震勘探过程中,为了达到对地震信号的有效分析,需要我们对地震勘探中出现的噪声进行有效压制,并在此条件下优化地震勘探过程,提高地震勘探效果.通过对目前地震勘探噪声压制方法了解后发现,基于离散余弦变换的地震随机噪声压制技术目前取得了良好的效果,不但有效降低了噪声对地震信号的影响,也实现了对有效波的保护.因此,我们开展地震勘探噪声压制方法的研究是很有必要的,不但论证了基于离散余弦变换的地震随机噪声压制技术的实效性,也便于这种技术在日后地震勘探噪声压制中的推广,为今后地震勘探噪声压制提供了新的方法和参考.     

基于多模态低秩处理的沙漠地震随机噪声压制

沙漠地带的随机噪声使沙漠地震记录中的有效信号很大程度上被淹没。针对此问题,提出将自适应噪声 辅助的集合经验模态分解方法(CEEMDAN: Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)与鲁棒标准正交子空间方法 (ＲOSL: Ｒobust Orthonormal Subspace Learning) 有效融合。首先利用 CEEMDAN 算法对沙漠地震数据进行分解,将分解得到的所有模态拼成一幅新记录,并对其进行低秩分解,再 将得到的稀疏部分中每道的所有模态重新叠加获得去噪结果。二者相结合,不仅解决了单一的低秩处理对沙 漠地震数据效果不明显的问题,同时也规避了要对 CEEMDAN 算法分解得到的模态进行取舍的难题。模拟实 验和实际数据处理表明,该算法压制低频随机噪声具有明显的优势,同时对有效信号的保幅均能保证在 85% 以上,对实际数据中面波的压制也相对比较彻底。     

Shearlet域深度残差CNN用于沙漠地震信号去噪

由于沙漠地震信号中含有较强的随机噪声,从而给沙漠地震数据的处理和解释带来了很大的困难。针对上述问题,提出了一种基于Shearlet 变换的深度残差卷积神经网络( ST-CNN: Deep Ｒesidual Convolutional NeuralNetwork for Shearlet Transform) 模型,实现沙漠地震信号的随机噪声压制。在训练阶段,将沙漠地震信号经Shearlet 分解后的系数作为输入,将随机噪声经Shearlet 分解后的系数作为标签,通过卷积神经网络( CNN: Convolutional Neural Network) 学习输入和标签之间的映射关系; 在测试阶段,利用此映射关系即可从沙漠地震信号系数中预测出噪声系数,并间接地获得有效信号系数,最后通过Shearlet 反变换获得有效信号。通过与传统的Shearlet 硬阈值去噪算法对比,发现该算法可把沙漠地震信号的信噪比从－ 4． 48 dB 提高到14． 15 dB,具有更好的去噪效果。     

双密度双树复小波域统计模型的地震信号降噪

随机噪声的存在降低了地震信号的信噪比,淹没了有效信号,影响后续的地质解释。文章根据随机噪声的特性以及地震信号道间相关性,建立双密度双树复小波域统计模型压制地震信号中的随机噪声。首先对含噪地震信号进行双密度双树复小波变换,分别对不同尺度、不同方向上的噪声方差和含噪地震信号方差进行估计,计算阈值;再运用最大后验概率估计方法从含噪地震信号小波系数中估计出源地震信号的小波系数;最后利用双密度双树复小波逆变换对源地震信号的小波系数估计值进行重构,得到降噪后的地震信号。仿真实验和对实际地震信号的处理结果表明该方法能够有效地压制随机噪声,提高了信噪比,较好地保留了有效信号。     

基于组结构字典稀疏表示的地震数据随机噪声压制

基于地震数据自身学习得到的自适应字典能够更精确地表示地震数据,针对稀疏表示传统方法训练出来的自适应字典的无结构性问题,文章提出一种基于组结构字典稀疏表示的地震数据随机噪声压制算法。该算法首先通过地震数据本身训练得到自适应学习型并具有一定结构性的组结构字典,然后利用该组结构字典对地震数据进行稀疏表示,通过得到的表示系数重建地震数据。所用的组结构字典能够更好地适应地震数据自身特性,对地震数据进行稀疏表示可得到更加稀疏的表示系数,滤除了通常系数很小的随机噪声,从而能够有效压制随机噪声。实验表明,文中所提出的地震数据随机噪声压制算法具有良好的去噪效果。     

基于分形理论的地震信号空间序列分析

当把地震勘探信号各道间对应于同一时刻的数据序列看作是反映一定范围内地层及其地质参数的复杂函数时,便构成了地震勘探信号的空间序列.建立了地震信号空间序列的分形模型,将根据一维时间序列重建动力学系统的理论和时间序列关联维计算的G.P算法拓展到对地震信号空间序列的研究之中,提出了地震信号空间序列关联维的分析方法.仿真结果表明,利用分形分析结果的地震勘探信号空间序列分数维图,可将信噪比较低的地震勘探信号从强干扰噪声中分辨出来.     

基于改进EMD的地震信号去噪

压制随机噪声是地震数据处理过程中的一个重要环节,目前大多数去噪技术都不同程度存在去噪效果差、易损伤有效信号等问题。利用经验模态分解可将信号自适应地分解为不同特征尺度固有模态函数的优点,及小波变换模极大值滤波方法对噪声的依赖性较小且适合于低信噪比信号去噪的优势,构造了一种经验模态分解与小波变换模极大值相结合的新的去噪算法,该算法很好地实现了地震有效信号与随机噪声的分离,有效提高了地震数据信噪比。将该算法应用于仿真实验和实际地震数据处理,结果都表明该方法明显优于常规经验模态分解去噪效果。     

ICA在地震信号处理中的应用研究

为了拓展独立分量分析的应用领域以及寻找地震信号去噪新方法,提出应用ICA处理地震信号随机噪声的具体方案,分析ICA的四个假设前提条件,结合实际地震信号的统计特性,分析作为源信号的有效波与噪声,并对其进行处理,使其能够在独立性和非高斯性方面满足独立分量分析算法的要求。对于盲源分离的两个固有不确定性问题,引入波形相似度的概念,使问题得到解决。从而说明在地震信号处理领域应用独立分量分析算法的可行性。最后提出算法,并用其处理合成地震信号(含随机噪声Ricker子波),实现有效波和噪声的分离,证明算法的有效性。     

基于复合稀疏去噪的沙漠地震噪声消减

沙漠地震噪声既含有低频噪声又含有高斯白噪声,一般方法很难同时去除这两种噪声,针对此问题提出了使用复合稀疏去噪同时压制沙漠地震噪声中的低频噪声和高斯白噪声的方法。在复合稀疏去噪中将平方损失作为损失函数的保真度约束,将信号和信号一阶导数的 L1 范数作为损失函数的稀疏约束,然后通过最小化损失函数去除信号中的高斯白噪声。为同时去除低频噪声,复合稀疏去噪中联合使用了低通滤波器,即可一次性去除低频噪声和高斯白噪声。分别对模拟地震数据和实际地震数据进行仿真实验,实验表明该方法可有效地同时压制沙漠地震数据中的低频噪声和高斯白噪声,复合稀疏去噪的保幅略好于带通滤波器,去噪后带通滤波器会产生较严重失真,而复合稀疏去噪的失真较小。     

α噪声背景下谐波恢复方法研究

为解决α 噪声背景下的谐波恢复问题,提出了归一化循环相关结合多重信号分类算法。该算法包含两种 多重信号分类算法( MUSIC: Multiple Signal Classification) : 样本空间MUSIC 算法和特征空间MUSIC 算法。 这两种MUSIC 算法充分利用信号子空间和噪声子空间,在空域内做谱峰搜索以求取谐波频率。该算法不仅能 估算谐波信号频率,同时也能提高谐波估计的精度。计算机仿真结果表明,使用这两种算法可完成谐波信号频 率有效估算,而且效果比原有分数低阶矩及其派生的分数低阶统计量更优,且有效地解决了非整数算子造成的 相位扭曲问题,应用前景广泛。     

基于变分模态分解的相关能量熵自适应阈值去噪

为有效抑制噪声对地震数据的影响,根据地震信号的时频特性,提出了基于变分模态分解的相关能量熵阈值去噪方法。采用变分模态分解算法将地震信号分解为频率由高频到低频且具有一定带宽的模态分量,计算各模态分量与地震信号的规范化相关系数,实现对各模态分量中的有效信息和噪声的定位。将去除有效信息的各模态分量分成若干子区间,分别计算各子区间的噪声能量熵,选取能量熵最大区间的模态分量系数作为该分量的噪声方差获得该分量的阈值,再将经阈值处理后的各模态分量重构得到去噪信号。通过对合成地震模型和实际地震信号进行去噪处理,并与直接去除高频分量的变分模态分解去噪方法进行了对比,结果表明,该方法能在强噪声环境下更有效地提取地震信号中的有效成分,提高信噪比。     

混合粒子群算法在地震波阻抗反演中的应用

为提高地震波阻抗反演的精度，提出了一种结合了混沌和遗传思想的混合粒子群算法。算法在搜索初期，加入了混沌思想，使算法具有了遍历性。在粒子更新过程中，又加入了选择、交叉、变异思想，增强了粒子之间的联系和粒子的多样性，使算法收敛速度更快，更容易跳出局部极值。针对模型对该算法进行了测试与对比，测试结果表明，该算法在反演精度上明显优于传统粒子群算法; 对算法的抗噪性进行了分析，在模型中加入15%噪声时，虽有一定误差，但符合度依然较好，表明本算法具有一定的抗噪声能力; 最后将算法用于实际地震资料，得到了良好的效果，表明本算法具有一定的实用价值。     

Shearlet域基于非局部均值的地震信号去噪

由于采集环境及仪器性能的限制,采集的地震信号中含有较强的随机噪声,对后续的处理和解释带来很大困难.多尺度几何分析近年来受到关注,在Shearlet变换域中引入非局部均值(NLM,non-local mean algorithm)算法对地震信号进行去噪,该算法首先对地震信号进行非下采样Shearlet变换,对近似服从广义高斯分布的Shearlet系数进行主成分分析(PCA,principal component analysis),然后采用非局部均值处理Shearlet系数,最后对新的Shearlet系数进行Shearlet反变换,得到去噪之后的地震信号.实验结果表明,文中算法在低噪声情况下能够获得优于非局部均值算法的去噪效果,对地震信号去噪具有可行性.     

基于互相关算法的CSAMT接收信号处理研究

针对可控源音频大地电磁法（CSAMT: Controlled Source Audio-frequency Magnetotelluric）实际勘探中, 因深部目标体响应信号微弱, 测量环境噪声严重等特殊情况而导致接收信号的清晰度大大降低的问题, 提出一种基于互相关算法的CSAMT接收数据去噪处理的新方法。该方法利用发射信号与接收信号之间相关性强, 与随机噪声相关性弱的特点, 设计发射信号电流波形记录器, 将接收信号和发射信号作互相关处理, 滤掉噪声等干扰信号。实验结果表明, 该方法可压制噪声, 可提高CSAMT测量的准确性。